Evaluation of Treatment Descriptions and Alignment With Clinical Guidance of Apps for Depression on App Stores: Systematic Search and Content Analysis
Notice bibliographique
Résumé
BACKGROUND: The use of apps for the treatment of depression shows great promise. However, there is uncertainty regarding the alignment of publicly available apps for depression with clinical guidance, their treatment fidelity and evidence base, and their overall safety. OBJECTIVE: Built on previous analyses and reviews, this study aims to explore the treatment and safety issues of publicly available apps for depression. METHODS: We conducted a content analysis of apps for depression in the 2 main UK app stores (Google Play and Apple App Store). App store listings were analyzed for intervention content, treatment fidelity, and fit with the National Institute for Health and Care Excellence (NICE) guidelines for the treatment of depression in adults. RESULTS: A total of 353 apps for depression were included in the review. App descriptions reported the use of 20 treatment approaches and 37 treatment strategies. Many apps used transdiagnostic (155/353, 43.9%) and multitheoretical interventions to treat multiple disorders including depression. Although many interventions appeared to be evidence-informed, there were issues with treatment fidelity, research evidence, and fit with clinical guidelines. None of the apps fully aligned with the NICE guidelines for depression. CONCLUSIONS: App developers have adopted many evidence-informed treatments in their interventions; however, more work is needed to improve clinical validity, treatment fidelity, and the safety of apps. We urge developers to consult relevant guidelines and standards, and to engage in reflective questioning on treatment and safety to address these issues and to improve treatment content and intervention design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».